2026 OpenClaw contexte de dépôt & Skills
AGENTS.md, injection bootstrap et checklist d’ajustement memory_search

Six façons dont un « agent de dépôt » déraille en deux semaines

OpenClaw en 2026 injecte au démarrage un lot de fichiers du dépôt (par exemple AGENTS.md, Skills, identité et limites d’outils) et sépare la mémoire entre bootstrap et recherche à la demande. Sans accord sur ce qui va dans le bootstrap contre memory_search, chaque tour porte un énorme préfixe statique, des chaînes d’outils plus longues, des coûts et une latence qui montent. Suivez les six éléments ci-dessous à côté d’estimations hebdomadaires de tokens, taux d’échec des outils et tours moyens.

1. AGENTS.md grossit sans cesse : histoire produit, feuilles de route et manuels d’exploitation dans un seul fichier injectent au bootstrap et taxent chaque tour ; séparez « toujours nécessaire » de « récupérer à la demande ».
2. Dossier Skills sans stratégie d’indexation : des Skills qui se chevauchent font hésiter les modèles entre outils ; maintenez la granularité des Skills et des notes d’exclusion mutuelle.
3. promptMode reste sur full indéfiniment : les sous-agents et jobs par lots portent encore le prompt système maximal ; déplacez les charges éligibles vers minimal ou none selon la doc.
4. Traiter les fichiers mémoire comme une base : coller d’énormes logs dans memory/*.md puis balayer avec memory_search augmente l’IO et le coût d’embedding ; utilisez des résumés dans le dépôt, le texte brut à l’extérieur.
5. Confondre contexte et routage fournisseur : quand le contexte explose, les équipes changent d’abord de modèle ; resserrez bootstrap et boucles d’outils, puis utilisez l’article fournisseur pour le failover.
6. Dépôts partagés sans champs de propriété : qui édite AGENTS, qui approuve les PR de Skills, qui taille la mémoire—sans réponses, les portables et Mac distants divergent.

Alignez ces six points avec la distinction de l’article Docker entre Gateway saine et échecs côté modèle pour voir plus vite si vous avez un problème de politique de contexte ou de réseau/fournisseur.

Matrice : promptMode, bootstrap et mémoire à la demande

Utilisez le tableau en revue : l’objectif est un plafond de jetons prévisible par forme de tâche, pas une prose plus jolie. Les clés exactes suivent votre version d’OpenClaw.

Trois métriques de contexte pour un panneau Grafana ou une note d’astreinte

Collectez-les dans les journaux et des estimations grossières de jetons ; les chiffres sont des placeholders—remplacez-les par vos baselines.

1. Bootstrap Effective Load (BEL) : poids équivalent en caractères des préfixes statiques avant le premier message utilisateur de chaque session ; si BEL reste au-dessus de votre seuil, fractionnez les fichiers et resserrez les plafonds comme agents.defaults.bootstrapTotalMaxChars (nom variable selon la release—suivez la doc officielle).
2. Tool Loop Index (TLI) : appels d’outils consécutifs sans progrès dans une tâche ; un TLI qui monte signale souvent des Skills flous ou un contexte bruyant, pas une HTTP 429.
3. Memory Retrieval Hit Rate (MRH) : fraction des résultats memory_search que le modèle utilise réellement (contrôle ponctuel ou confirmation). MRH bas signifie dette d’index ou de résumé ; MRH élevé avec BEL élevé souvent contenu dupliqué.

Le routage multi-modèles et l’estimation dynamique du contexte évolueront encore en 2025–2026, mais le bruit côté dépôt plafonne toujours la qualité—gardez BEL, TLI et MRH sur le tableau.

Pour les non-développeurs, BEL, c’est « les pages du manuel interne relues avant chaque conversation », et TLI, « combien de fois la même question escalade sans progrès »—agrandir le modèle sans corriger cela ne fait qu’imprimer le même gros livret sur un papier plus cher.

Runbook en six étapes de « ça tourne » à « on peut le maintenir »

1. Geler versions et docs : noter les versions OpenClaw et Gateway ; ouvrir la doc amont sur le prompt système, le bootstrap et la mémoire—éviter le folklore.
2. Inventorier les sources d’injection : lister fichiers bootstrap et Skills, tagger indispensable, optionnel ou à déplacer vers la mémoire.
3. Fixer un plafond BEL : convenir d’un plafond dur et d’un retour arrière ; au-delà du budget, supprimer les répétitions avant d’ajouter des modèles.
4. Calibrer promptMode : passer sous-agents et jobs par lots en minimal ou équivalent et journaliser latence, succès et coût avant/après.
5. Normaliser la mémoire : convertir les longs textes en résumé plus pointeur ; archiver les logs bruts vers un stockage froid hors chemin de recherche chaud.
6. Revue en couches avec provider/Docker : si TLI reste élevé, enchaîner avec les articles provider et Docker—n’élargissez pas le pool de modèles avant que le contexte soit propre.

Gateway, modèles et contexte dépôt : attribuer la cause dans l’ordre

Les timeouts intermittents incitent à changer de modèle ou ajouter des GPU ; sans BEL et TLI vous confondez prompts bruyants et infrastructure instable. Suivez l’article Docker : Gateway et canaux d’abord, puis fournisseur, puis prompts dépôt—même empilement que la triage des canaux, avec le budget de contexte en tête.

Ajoutez un quatuor de repro minimal à chaque ticket incident : (1) promptMode actif et bande BEL, (2) lien vers la dernière fusion AGENTS/Skills, (3) requête memory_search et nombre de hits, (4) extraits de journaux Gateway adjacents aux appels d’outils. Avec ces quatre champs, la plupart des « ralentissements mystérieux » se résolvent en moins de trente minutes. Pour sous-agents ou jobs parallèles, journalisez les plafonds par branche dans le même classeur—les agrégats qui ne regardent que la session principale induisent en erreur.

Pourquoi « ça marchait sur mon portable » n’est pas une maintenance à l’échelle d’équipe

Les machines personnelles mélangent prompts géants et secrets ad hoc dans la config globale—difficile à auditer. Passer à l’IC ou à des Mac distants partagés ajoute permissions et décalage de synchro, donc AGENTS et mémoire bifurquent invisibilement. Une politique de contexte explicite couplée à des environnements distants dédiés transforme les flux d’agents en actifs revue-ready et transférables.

Les bureaux cloud éphémères peuvent faire tourner OpenClaw, mais longue disponibilité, chemins fixes et faible dérive de toolchain favorisent des Mac distants physiques dédiés—surtout quand une Gateway partage hôte ou région avec un gros monorepo et que l’IO disque rejoint le contexte comme goulot. MACCOME exploite des nœuds Mac mini M4 et M4 Pro à Singapour, au Japon, en Corée, à Hong Kong et sur les côtes américaines avec des conditions de location flexibles pour Gateway toujours actif et gros clones de dépôt ; alignez les pages tarifaires publiques sur votre ligne BEL, figez la politique de répertoires, puis itérez sur les Skills.

Pilote : ramenez BEL dans la bande cible de l’équipe une semaine avant d’acheter des modèles plus grands ou plus de canaux—les gros modèles corrigent rarement le bruit de dépôt.